کاداستر

شبکه های عصبی، بهترین بولیوی

بازگشت از بولیوی خسته کننده بود ، 22 ساعت سفر و پیچیده ترین کار حضور در آخرین ایستگاه ایستاده بود که در فرودگاه کومالاپا ، السالوادور میخ بست قبل از ورود به کشور مبدا من. این یک هفته خسته کننده ، 8 تا 5 روز کاری بود که بیشتر روز را می نشستید ، غذای زیادی می آموخت ، اما همچنین یادگیری زیادی داشت.

تقریباً همه ما به این نتیجه رسیده ایم که دوره بیش از حد پر از محتوا و کار عملی بسیار اندک است ، این مسئله بر مسئولیت مربی ای تأثیر می گذارد که باید ارائه یک روز کامل را با پاورپوینت های نیمه خسته کننده و مخاطبان در سطوح مختلف انجام دهد ... نیم چرت ، نیمی دیگر از دست داده اند و تعداد کمی به دنبال سود عملی برای کارهایی هستند که قبلا انجام داده اند. با این حال ، سی دی همراه با ارائه و ضمیمه نمایشگاه های کشورهای مختلف نتایج خوبی به همراه داشته است.

در میان ارائه ها ، موردی که بیشترین توجه مرا به خود جلب کرده است ، استفاده از شبکه های عصبی در فرآیندهای پیچیده تحت اصل هوش مصنوعی است.

تصویر

مشکل

این که آیا توسط یک نهاد مرکزی یا شهرداری محلی انجام می شود ، برای جمع آوری مالیات بر املاک نیاز به اجرای یک روش ارزیابی گسترده است. برای انجام این کار چندین مورد از ساده (دروغگو) تا بیش از حد پیچیده (ناپایدار) وجود دارد. یکی از این روش های گسترده انتشار از طریق روش بازار برای ارزیابی زمین و هزینه جایگزینی برای ساختمان ها است. این حداقل به سه کار سخت نیاز دارد:

1 بروزرسانی ارزش های بهبود. ابزار دقیق آن از طریق آنچه به عنوان تایپولوژی سازنده شناخته می شود ، ساخته شده است و با فصل های بودجه ساخته شده است ، که به نوبه خود از عناصر سازنده تشکیل شده است و از عناصر اساسی به عنوان ورق هزینه واحد تشکیل شده است. به روشی که ساده ترین کار به روزرسانی پایه ورودی است: مواد ، نیروی کار ، تجهیزات و ماشین آلات ، خدمات حرفه ای تر و سپس انواع ساخت و ساز آماده استفاده می شوند. عملی بودن روش هایی مانند این یکی این است که جمع آوری داده های میدانی برای فرم ارزیابی فقط به محاسبه مساحت ساخت ، مشخصات ساخت ، کیفیت و حفاظت نیاز دارد ... به خوبی مستند شده ، می تواند بر ذهنی بودن غلبه کند.

برای مناطق روستایی ، مطالعه ای نیز درمورد آن خصوصیات انجام شده است که به مثابه محصولات دایمی ، منابع قابل معامله یا استفاده بالقوه از ارزش ویژه ای به ملک می بخشد.

2 به روزرسانی نقشه ارزش زمین. این بنا بر نمونه معاملات قابل اعتماد املاک و مستغلات ، با نمایندگی قابل توجه ساخته شده و با گذشت زمان پیش بینی می شود ارزش بازار را داشته باشد. سپس این مقادیر به مناطقی همگن تبدیل می شوند که دارای روند مبتنی بر مجاورت و خدمات هستند.

3 بروزرسانی شبکه خدمات عمومی. این اتفاق می افتد که وقتی وضعیت زیرساخت های جاده تغییر می کند ، به عنوان مثال ، این ویژگی ها بر روی یک ملک در یک یا چند جبهه آن تأثیر می گذارند. بنابراین ایده آل است که مقادیر از بلوک به محور خیابان منتقل شوند تا بتوانند با تناسبی که در جلوی ملک تأثیر می گذارد مرتبط شوند ... در حالت ایده آل ، این منطقه دارای ویژگی های خاصی باشد که به آن یک مقدار برای شبکه های خدمات و رابطه محلات با مزایایی که نه تنها ارزش زمین را تحت تأثیر قرار می دهد که می تواند بسیار خطی باشد.

انجام این کار در هر سال 5 کار دشواری نیست ، اما انجام آن به روش متمایز برای بسیاری از شهرداری ها حتی اگر برنامه رایانه ای وجود داشته باشد ، جنون ناپایدار می شود ، زیرا هنوز هم به داده های خارجی و نمونه های زمینه بستگی دارد.

درخواست

یدرا گارسیا ، از وزارت اقتصاد اسپانیا گزارشی را در این زمینه ارائه داده است "هوش مصنوعی برای ارزشگذاری گسترده استفاده می شود"

این مفهوم در وب وجود دارد ، به انگلیسی ، اما Yedra این امکان را ایجاد کرده است ، با استفاده از شبکه های عصبی که برای این مشکل استفاده کرده اند ، اتوماسیون روش به همان اندازه پیچیده ای که به نظر می رسد حل می کند:

این بدان معناست که حداقل تعداد شاخص ها در سطح متوسط ​​، می توانند رابطه تطبیقی ​​داشته باشند که با پایین آمدن یک روند از مقادیر ورودی و به سمت بالا یک پیشنهاد آزمایشی از مقادیر مناطق همگن از طریق تجزیه و تحلیل مکانی با شباهت شرایط ، می تواند یک ماتریس ایجاد کند. که باعث می شود از هر دو روش در برابر داده های واقعی ، مانند داده های موجود در بولتن های الکترونیکی قیمت های ساخت و ساز یا ارزش املاک و مستغلات ، افزونگی ایجاد شود.

البته این به تجزیه و تحلیل ساده از داده های جدولی منجر نمی شود ، بلکه به تجزیه و تحلیل مکانی لایه هایی که در اعتبارسنجی ، اتصال متقابل تنه های جاده و تحلیل توپولوژیکی محله مشترک تأثیر می گذارد نیز منجر نمی شود.

این امر می تواند نتیجه ای فراتر از ارزشگذاری ساده برای اهداف مالیات بر املاک ، از جمله برنامه ریزی یا برنامه ریزی کارها براساس شرایط تأثیرگذاری در ارزیابی مجدد و بهبود سود سرمایه ای و… در میان دیگران داشته باشد.

تصویر

وضعيت بدن من يك روز خارش سيگار كشيدن سبز را به قصد اجراي آن به من واگذار مي كند.

گلگی آلوارز

نویسنده، محقق، متخصص در مدل های مدیریت زمین. وی در مفهوم سازی و اجرای مدل هایی مانند: سیستم ملی مدیریت املاک SINAP در هندوراس، مدل مدیریت شهرداری های مشترک در هندوراس، مدل یکپارچه مدیریت کاداستر - ثبت در نیکاراگوئه، سیستم مدیریت منطقه SAT در کلمبیا مشارکت داشته است. . سردبیر وبلاگ دانش Geofumadas از سال 2007 و خالق آکادمی AulaGEO که شامل بیش از 100 دوره در زمینه GIS - CAD - BIM - Digital Twins است.

مقالات مرتبط

دیدگاهتان را بنویسید:

نشانی ایمیل شما منتشر نخواهد شد. بخشهای موردنیاز علامتگذاری شدهاند با *

بازگشت به دکمه بالا